没有合适的资源?快使用搜索试试~ 我知道了~
【计算机软件毕业设计】基于Eigenfaces的人脸识别算法实现.doc
0 下载量 149 浏览量
2023-07-10
17:15:45
上传
评论
收藏 568KB DOC 举报
温馨提示
试读
25页
【计算机软件毕业设计】基于Eigenfaces的人脸识别算法实现.doc
资源推荐
资源详情
资源评论
河北农业 大 学
本科毕 业 论 文 (设计)
题 目: 基于 Eigenfaces 的人脸识别算法实现
摘要
随着科技的快速发展,视频监控技术在我们生活中有着越来越丰富的应用。在这些视频
监控领域迫切需要一种远距离,非配合状态下的快速身份识别,以求能够快速识别所需要
的人员信息,提前智能预警。人脸识别无疑是最佳的选择。可以通过人脸检测从视频监控
中快速提取人脸,并与人脸数据库对比从而快速识别身份。这项技术可以广泛应用于国防,
社会安全,银行电子商务,行政办公,还有家庭安全防务等多领域。
本文按照完整人脸识别流程来分析基于 PCA(Principal Component Analysis)的人脸识
别算法实现的性能。首先使用常用的人脸图像的获取方法获取人脸图像。本文为了更好的
分析基于 PCA 人脸识别系统的性能选用了 ORL 人脸数据库。然后对人脸数据库的图像进
行了简单的预处理。由于 ORL 人脸图像质量较好,所以本文中只使用灰度处理。接着使
用 PCA 提取人脸特征,使用奇异值分解定理计算协方差矩阵的特征值和特征向量以及使用
最近邻法分类器欧几里得距离来进行人脸判别分类。
关键词:人脸识别 PCA 算法 奇异值分解定理 欧几里得距离
2
ABSTRACT
With the rapid development of technology, video surveillance technology has become
increasingly diverse applications in our lives. In these video surveillance urgent need for a
long-range, with rapid identification of non-state, in order to be able to quickly identify people
the information they need, advance intelligence warning. Face recognition is undoubtedly the
best choice. Face detection can quickly extract human faces from video surveillance, and
contrast with the face database to quickly identify identity. This technology can be widely used
in national defense, social security, bank e-commerce, administrative offices, as well as home
security and defense and other areas.
In accordance with the full recognition process to analyze the performance of PCA-based
face recognition algorithm. The first to use the method of access to commonly used face images
for face images. In order to better analysis is based on the performance of the PCA face
recognition system selected ORL face database. Then the image face database for a simple
pretreatment. Because ORL face image quality is better, so this article uses only gray scale
processing. Then use the PCA for face feature extraction using singular value decomposition
theorem to calculate the covariance matrix of the eigenvalues and eigenvectors, and use the
Euclidean distance of the nearest neighbor classifier to the classification of human face
discrimination.
KEYWORDS: face recognition PCA algorithm SVD Euclidean distance
3
目录
摘要 .................................................................................................................................................2
ABSTRACT.....................................................................................................................................3
1 人脸识别概述 .............................................................................................................................5
1.1 人脸识别的研究概况和发展趋势 ...................................................................................5
1.1.1 人脸识别的研究概况 .............................................................................................5
1.1.2 人脸识别的发展趋势 .............................................................................................6
1.2 人脸识别的主要难点 .......................................................................................................7
1.3 人脸识别的流程 ...............................................................................................................7
1.3.1 人脸图像采集 .........................................................................................................8
1.3.2 预处理 .....................................................................................................................8
1.3.3 特征提取 .................................................................................................................8
1.4 本章小结 ...........................................................................................................................9
2 人脸图像 ...................................................................................................................................10
2.1 人脸图像获取 .................................................................................................................10
2.2 人脸图像数据库 .............................................................................................................10
2.3 人脸图像预处理 .............................................................................................................11
2.3.1 灰度变化 ...............................................................................................................11
2.3.2 二值化 ...................................................................................................................12
2.3.3 图像锐化 ...............................................................................................................12
2.4 本章小结 .........................................................................................................................13
3 人脸识别 ...................................................................................................................................14
3.1 PCA 算法理论..................................................................................................................14
3.2 PCA 人脸识别算法的实现..............................................................................................15
3.2.1 K-L 变换.................................................................................................................15
3.2.2 SVD 定理 ..............................................................................................................15
3.2.3 PCA 算法................................................................................................................16
3.2.4 人脸识别过程 .......................................................................................................17
3.3 程序运行效果 .................................................................................................................17
3.4 程序代码 .........................................................................................................................18
3.4.1 代码类关系 ...........................................................................................................18
3.4.2 代码的 OpenCV 相关 ...........................................................................................19
3.4.3 关键函数代码 .......................................................................................................19
3.5 本章小结 .........................................................................................................................23
结论 ...............................................................................................................................................24
致谢 ...............................................................................................................................................25
参考文献 .......................................................................................................................................26
1 人脸识别概述
1.1 人脸识别的研究概况和发展趋势
1.1.1 人脸识别的研究概况
人脸识别的研究开始于上世纪七十年代,当时的研究主要是基于人脸外部轮廓的方法。
到现在为止,人脸识别主要经历了三个阶段的发展。对于人脸识别的研究历史可分为三个
阶段:
第一阶段(1964-1990)这个阶段主要采取的技术是基于人脸几何结构的。研究的重点
主要在剪影上。研究人员做了大量关于如何提取面部剪影曲线的结构特征的研究。这个阶
段属于人脸识别的初级阶段,突出的研究成果不多,也没有获得的实际应用。
第二阶段(1991-1997)这个阶段虽然时间相对较短,但是硕果累累,出现了若干具有
代表性的算法和几个商业化的人脸识别系统,如 Identix(原为 Visionics)公司的 FaceIt 系
统。
这个时期最具盛名的人脸识别方法是 MIT 媒体实验室的 Turk 和 Pentland 提出的的“特
征脸”方法。后来很多人脸识别技术都与特征脸有关,现在特征脸已与归一化的协相关量方
法一起成为了人脸识别性能测试的基准算法。
这个时期的主要成果有:
1992 年左右,Brunelli 和 Poggio 做了一个基于结构特征的方法和基于模板匹配的方法
性能对比的实验,并得出了模块匹配的方法优于基于特征的方法的结论。这个结论和特征
脸的共同作用,基本上停止了纯粹基于结构特征人脸识别的研究,并且很大的促进了基于
表观的线性子空间建模和基于统计模式识别技术的发展,使其逐渐成为主流技术。
Belhumeur 等人的 Fisherface 方法也是此阶段一个重要的成果。该方法目前依然是主流
人脸识别方法中的一种,产生了很多变种,比如子空间判别模型等。其先使用 PCA 即特征
脸对人脸图像表现特征进行降维,并使用线性判别分析方法对降维后的主成分进行变换以
获得“尽量大的类间散度和尽量小的类内散度”。
弹性匹配技术为另一个重要方法。它用一个属性图来描述人脸:属性的顶点代表面部
关键特征点,它的属性为相应特征点处的多分辨率,多方向局部特征—Gabor 变换,称为
Jet;边的属性为不同特征点间的几何关系。对于输入的图像,其通过一种优化搜索策略来
定位预先定位的若干面部关键特征点,同时提取它们的 Jet 特征,得到输入人脸图像的属
性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。弹性匹配方法的优点
是既保留了面部的全局结构特征,也对人脸关键局部特征进行了建模。
局部特征分析由 Atick 等提出。其在本质上是基于统计的低维对象描述方法,与 PCA
相比,局部特征分析在全局主成分分析的基础上提取的是局部特征。它既保留了全局拓扑
信息,有提取了局部特征,使其具有了更好的描述和识别能力。局部特征分析技术已商业
化为著名 FaceIt 系统。
柔性模型,包括主动形状模型和主动外观模型。它是人脸建模方面的一个新的进步。
其主要将人脸描述为 2D 形状和纹理两个分离的部分,分别用 PCA 建模,然后再通过 PCA
将两者合成来对人脸建模。柔性模型具有良好的人脸合成能力,可以使用基于合成的图像
5
分析技术对人脸图像进行特征提取和建模。
这个阶段所提出的算法在理想图像采集条件,人员配合,中小规模正面人脸数据库上
达到了非常好的性能。,也诞生几个著名的人脸识别系统。
第三阶段(1998 年—现在)这个时期关于人脸识别的研究非常热门。有大量的研究人
员从事这方面的研究。主要针对的是主流的人脸识别技术在采集条件不理想和用户不配合
下鲁棒性差的问题。光照和姿态问题成为了研究焦点。
这个时期主要成果有:
Georghiades 等人基于光照锤模型的多姿态,多光照条件人脸识别方法。Blanz 和 Vetter
等人基于 3D 变形模型的多姿态,多光照的人脸识别方法。Shashua 等人基于上图像的人脸
图像识别与绘制技术。
总体而言,目前非理想成像条件下(尤其是光照和姿态),对象不配合,大规模人脸
数据库上的人脸识别已逐渐成为研究的重点。而非线性建模方法,统计学习理论,基于
Boosting 的学习技术,基于 3D 模型的人脸建模与识别方法等逐渐成为备受重视的技术发
展趋势。
从整个人脸识别的研究历史来看,基于 PCA 的特征脸识别方法占据了非常重要的地位,
也对后来的人脸识别技术产生甚远的影响。在后来很多的人脸识别技术,我们或多或少都
会发现它的影子。人脸图像维数都很高,PCA 方法不但很好表征人脸而且通过去除相关性,
减少冗余,解决了在人脸识别过程中图像为数过高的问题。并且随着现代社会的发展,快
速人脸识别的需求越来越大。所以研究基于 PCA 的人脸识别算法的实现还是有实际意义。
1.1.2 人脸识别的发展趋势
人脸识别至今虽然取得了丰硕的研究成果,但是还有很多问题需要解决。人脸识别的
难度在于:人脸是非刚性物体,并且会随着年龄的增长而改变,特征难以完全描述;人脸
常常有许多遮挡物,如:眼镜,帽子等;环境的光照和人脸的姿态等。人脸识别的未来主
要的发展趋势如下:
1) 多数据融合与方法综合
人脸识别技术经过这几十年的发展,已取得非常不错的成果。但是各种技术和方法都
有自己不同的适应环境和各自的特点。如何使用数据融合理论,将不同的方法综合起来,
相互补充,来取得较好的人脸识别效果,便成为人们的研究热点之一。
2) 动态跟踪人脸识别系统
目前的静态人脸识别技术只能满足一般身份识别场合如门禁系统,考勤系统等,无法
进行人脸的动态跟踪与识别。随着现在社会的发展,目前对动态人脸的跟踪与识别的需求
越来越大,尤其是在一些安全领域。
3) 基于小波神经网络的人脸识别
小波自提出以来,其理论和应用得到了长足的发展。它被认为是傅里叶分析的突破性
的发展。随着神经网络的理论研究的深入,与小波,混沌,模糊集等非线性理论相结合已
成为一个非常重要的发展方向。小波变换具有时频特性和变焦特性,神经网络具有自学习,
自适应,鲁棒性,容错性和推广能力。如果能结合两者的优势,将会取得人脸识别不错的
效果。
剩余24页未读,继续阅读
资源评论
zzzzl333
- 粉丝: 689
- 资源: 7万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功